基于Yolo算法的车辆目标检测平台搭建开题报告

1. 研究目的与意义（文献综述包含参考文献）

文 献 综 述随着我国人民生活水平的日渐提高，越来越多的家庭拥有机动车，城市内的交通环境越来越复杂。

车辆目标检测作为一项新兴技术，可用于协助构建智慧交通，提高相关部门管理和执法效率，也是自动驾驶技术发展的重要关卡。

车辆目标检测要求从静态图片或动态视频中检测出车辆目标及其在图片中的位置等特征信息，并对车辆类型进行分类。

2. 研究的基本内容、问题解决措施及方案

车辆目标检测技术应用前景广泛，在自动驾驶领域，基于深度学习的目标检测算法能对人、车辆、障碍物等进行实时检测，同时配合车辆雷达系统，可以为驾驶员提供更加轻松、智能的驾驶体验，还可以为驾驶员、乘车人以及车外行人提供更加安全的出行保障。

基于深度学习的检测算法在精度和速度方面相较于传统检测算法都有较大的提升，并且目前还处在快速发展的阶段，但是其仍然存在着一些问题尚未解决：1. 对小尺寸目标、遮挡目标的检测精度仍然不够；2.训练时正负样本不够均衡，对算法性能会产生负面影响；3.部分领域训练样本获取难度较高，而训练集样本数量较少会导致算法模型的效果不佳。

本课题要研究或解决的问题：基于以上结论，本课题尝试研究：如何调试使用yolov4算法，搭建起实际可用的车辆目标检测平台，应用轻量化的神经网络，协调计算所需的硬件资源消耗。